学习的李群上的反应式运动生成

Mar, 2022

Reactive Motion Generation on Learned Riemannian Manifolds

Hadi Beik-Mohammadi, Søren Hauberg, Georgios Arvanitidis, Gerhard Neumann, Leonel Rozo

TL;DR本文从 Riemann 流形的角度研究了机器人运动学习范式，并探讨了通过人类示范学习获得 Riemann 流形以及通过利用考虑障碍物的周围度量重新塑造学习的流形来促进末端点 / 多肢体避障的技术。通过 7 自由度机器人操作机械臂展示了学习和生成基于复杂运动模式的运动技能的能力，并评估了多种障碍物避开策略和在多种模式下生成轨迹。

Abstract

In recent decades, advancements in motion learning have enabled robots to acquire new skills and adapt to unseen conditions in both structured and unstructured environments. In practice, motion learning methods capture relevant patterns and adjust them to new conditions such as dynamic obstacle avoidance or variable targets. In this paper, we investigate the

robot motion learning riemannian manifolds obstacle avoidance variational autoencoder human demonstrations

发现论文，激发创造

深度生成模型的黎曼几何

研究了深度生成模型所学习的流形的黎曼几何，并提出了计算测地线和沿流形路径平行传递切向量的算法，发现这些模型学习的流形近似于零曲率，并探讨了这种现象的实际影响。

Nov, 2017

VTAE: 变分转换自编码器与流形学习

提出了一种变分空间转换自编码器（VTAE），通过在 Riemann 流形上最小化测地线来改善表征学习，并提高计算机视觉任务的预测准确性和适用性，包括图像插值和重构。

Apr, 2023

使用生成模型近似约束流形进行基于采样的约束运动规划

该论文介绍了一种基于深度生成模型的采样策略，以解决受任务约束条件下的运动规划问题。研究使用两种深度生成模型 CVAE 和 CGAN 来生成满足约束条件的样本配置，并通过模拟和实验评估其采样准确性和采样分布的覆盖率。

Apr, 2022

深层生成模型的度量标准

通过将 Riemannian 几何的思想应用到该领域，我们提出了一种基于最短路径计算的距离度量方法，可以获得基于原则的距离度量，提供深度生成模型的视觉检查工具和运动泛化工具。

Nov, 2017

贝叶斯优化在机器人学习中遇到了黎曼流形

该研究提出了一种使用 Riemannian 流形理论的方法，以在机器人学领域中处理非欧几里德参数空间的高维度问题，从而增强了贝叶斯优化的效果，测试结果表明该方法具有较好的性能。

Oct, 2019

使用深度神经网络学习不变的黎曼几何表征

本文提出了一种面向流形训练深度神经网络的通用框架，利用切空间和指数映射，将最终输出元素在 Riemann 流形上的深度神经网络的训练问题转化为当前深度学习研究的问题，在多类图像分类和人脸图像回归上显示出改进后的性能。

Aug, 2017

揭示单切空间谬误：在机器人学习中应用黎曼几何的分析和澄清

在机器人领域，采用机器学习方法处理、建模或合成数据的多个下游机器人任务中，数据通常包含固有的几何约束变量，如表示刚体定向的四元数的单位范数条件或刚度和可操纵性椭球的正定性。有效处理这样的几何约束要求将微分几何工具纳入机器学习方法的制定过程中。在此背景下，Riemann 流形成为处理此类几何约束的强大数学框架。然而，最近在机器人学习中对其采用的方式往往存在一个数学上有缺陷的简化，即 “单切空间误解”。该方法仅涉及将感兴趣的数据投影到单个切（欧几里得）空间上，然后应用通用的学习算法。本文理论上阐述了围绕该方法的各种误解，并提供了其不足之处的实验证据。最后，它提供了宝贵的见解，以推广在机器人学习应用中采用 Riemann 几何的最佳实践。

Oct, 2023

用 VAEs 学习平坦的潜在流形

本研究提出了一种基于 Riemannian geometry 的扩展的变分自编码器框架，可以学习平面的潜在流形，通过约束优化问题和使用更具表达力的层次先验代替紧凑先验，使得在保留直线状方法的计算效率的同时，能够在视频跟踪基准测试中接近监督学习方法的性能。

Feb, 2020

机器人运动生成与调整的导引解码

我们通过集成演示学习（LfD）到运动生成过程中，在复杂环境中（包括障碍物、通过点等）解决了高自由度机械臂的运动生成问题。我们通过在大规模模拟轨迹数据集上训练一个基于条件变分自动编码器变压器的结构，学习了关键的运动生成技能，并将其适应辅助任务和约束条件。我们的自回归方法实现了来自物理系统的实时反馈整合，增强了运动生成的适应性和效率。我们表明，我们的模型可以从初始点和目标点生成运动，同时也能够适应复杂任务的轨迹规划，包括障碍物避让、通过点和速度、加速度限制，在多种平台上实现。

Mar, 2024

利用几何保持 GAN 和弹性体学习姿态图像流形

本文提出了一种深度神经网络方法，其中将几何样式生成对抗网络（Geom-SGAN）与欧拉弹性相结合，用于预测连续旋转下物体的图像，并相对于目前的生成对抗网络和变分自编码机在旋转流形上的视觉和数量上进行广泛的实验。

May, 2023